PwC Machine Learning Engineer: palavras-chave de curriculo e entrevista

Você quer concorrer a uma vaga de Machine Learning Engineer na PwC, mas seu currículo não passa dos primeiros filtros e você não sabe o que a empresa realmente espera ouvir. É mais comum do que parece. O problema quase nunca é a falta de experiência, e sim a forma como essa experiência está descrita.

A PwC contrata engenheiros de ML para entregar soluções a clientes, não para fazer pesquisa isolada em um laboratório. Isso muda tudo na hora de escrever o currículo e de responder na entrevista.

O que a PwC procura em um engenheiro de ML#

Consultorias de auditoria e advisory, o grupo que inclui as chamadas Big Four, contratam ML engineers para construir, colocar em produção e manter modelos que rodam dentro de projetos de cliente. Isso significa que você vai trabalhar com prazos, escopos definidos por contrato e equipes multidisciplinares.

Três competências aparecem com frequência nesse tipo de vaga: engenharia de software para produção, domínio de MLOps e capacidade de explicar resultado técnico para quem não é técnico. A parte de modelagem importa, mas não é o único critério.

Não existe um processo interno fixo de contratação que eu possa descrever aqui, e desconfie de quem promete um "roteiro interno da PwC". O que dá para fazer é olhar a descrição da vaga específica, extrair as palavras que ela usa e refletir isso no seu currículo. Um decodificador de descrição de vaga ajuda bastante nessa etapa, porque separa requisitos reais de texto decorativo.

Palavras-chave que valem no seu currículo#

Não adianta jogar palavras aleatórias. Recrutadores e sistemas de triagem procuram termos que aparecem na descrição da vaga. Algumas palavras aparecem com frequência em vagas de ML em consultoria: Python, TensorFlow ou PyTorch, MLOps, Docker, Kubernetes, AWS, Azure, GCP, feature engineering, model serving, monitoramento de modelo, CI/CD, testes automatizados.

Dois cuidados. Primeiro, só inclua a palavra se você realmente tem a experiência, porque a entrevista técnica vai cobrar. Segundo, use o termo da forma como a vaga usa. Se a descrição diz "Azure Machine Learning", não escreva apenas "nuvem".

Um bom teste é rodar o currículo em um verificador de ATS gratuito antes de enviar. Ele mostra se o formato está legível para o sistema e se as palavras relevantes estão presentes.

Como escrever os bullets de experiência#

Bullet genérico não ajuda. Compare:

Ruim: "Trabalhei com modelos de machine learning em projetos de clientes."

Reescrito: "Implementei pipeline de treino e serving em Python e FastAPI para modelo de previsão de demanda, reduzindo o tempo de resposta da API de minutos para menos de um segundo em produção."

O segundo funciona porque tem tecnologia, contexto e resultado. Não precisa de número espetacular, precisa de concreto. Se você não pode divulgar o número exato do cliente, use a ordem de grandeza ou descreva o impacto qualitativo com precisão.

Outro exemplo para a parte de MLOps:

"Configurei CI/CD com GitHub Actions e Docker para re-treino mensal de modelos de risco, incluindo testes automatizados de drift e alertas em Slack."

Checklist antes de enviar#

• Confira se cada bullet tem tecnologia, contexto e resultado.
• Cole as palavras-chave da descrição da vaga nos lugares certos, não em uma seção separada.
• Remova projetos acadêmicos antigos se você já tem três anos ou mais de experiência em produção.
• Liste Python primeiro na seção de habilidades se a vaga pede.
• Rode o currículo em um verificador de ATS gratuito e corrija problemas de formatação.
• Confira se o LinkedIn bate com o currículo em datas e nomes de empresas.
• Salve em PDF com nome de arquivo claro, tipo "Nome_Sobrenome_MLE_PwC.pdf".

Preparação para a entrevista técnica#

A entrevista técnica de ML costuma cobrar três frentes: fundamentos de machine learning, engenharia e estudo de caso. Para fundamentos, revise viés e variância, regularização, métricas de classificação e regressão, validação cruzada e leakage de dados. Leakage é um dos erros que mais aparecem em avaliação de código.

Para engenharia, esteja pronto para explicar como você colocaria um modelo em produção, como monitoraria degradação e como faria rollback se algo quebrasse. Desenhar o fluxo em uma tela compartilhada é comum.

Estudos de caso em consultoria costumam ser sobre problema de negócio. Não pule direto para o modelo. Pergunte o objetivo, os dados disponíveis, a restrição de prazo e o custo de erro antes de propor solução.

Exemplo de resposta para pergunta comportamental#

Pergunta: "Conte uma vez em que um modelo seu não funcionou como esperado."

Resposta: "Em um projeto de churn, o modelo ficou com AUC alta em validação mas caiu muito em produção. Investiguei e descobri que uma variável de engajamento estava sendo calculada com dados posteriores ao momento da previsão, o que é leakage. Refiz o pipeline de features com corte temporal, o AUC caiu um pouco em validação mas o resultado em produção ficou consistente. Documentei o teste de leakage no checklist do time e passei a exigir revisão de features em toda entrega."

Essa resposta funciona porque mostra diagnóstico, correção e mudança de processo. Não tenta esconder o erro.

O mercado brasileiro tem suas particularidades#

Vagas de Machine Learning Engineer em consultorias no Brasil aparecem com mais frequência em São Paulo, Rio de Janeiro e agora com opções remotas ou híbridas. O nível de inglês exigido varia muito entre times, porque alguns projetos atendem clientes globais. Não assuma que inglês é opcional.

Faixa salarial para ML engineer no Brasil varia bastante por senioridade, porte da empresa e regime de contratação. Não vou inventar número aqui. Consulte fontes atualizadas de pesquisa salarial e a própria descrição da vaga, porque valores mudam rápido e o que era real há seis meses pode já não ser.

Outra particularidade: parte das vagas passa por processo seletivo de estágio de trainee ou programa de júnior antes de abrir posição de nível pleno. Se você está começando, vale acompanhar essas janelas.

Onde procurar vagas abertas#

Fique de olho em páginas de carreira de consultorias e em agregadores que reúnem vagas de tecnologia. A busca de vagas do jobrise é um ponto de partida prático para filtrar por título e senioridade. Combine isso com alertas no LinkedIn e com o site oficial da empresa.

Ajuste fino do currículo por vaga#

Currículo pronto é mito. Você precisa ajustar por vaga. Leia a descrição com atenção, destaque três ou quatro requisitos centrais e garanta que esses pontos aparecem no topo do currículo. Um decodificador de descrição de vaga acelera esse trabalho.

Se você quer mais referências de carreira em tecnologia, tem conteúdo sobre currículo, entrevista e transição de carreira no blog do jobrise. Não é para ler tudo, é para consultar quando travar em um ponto específico.

Ferramentas grátis#

• jobrise.io/pt/free-ats-checker/
• jobrise.io/pt/free-jd-decoder/
• jobrise.io/pt/jobs/
• jobrise.io/pt/blog/

Perguntas frequentes#

Preciso ter experiência em Big Four para ser considerado?

Não. O que pesa é experiência entregando modelos em produção e trabalhando com cliente ou stakeholder externo. Se você vem de startup ou de time interno de produto, dá para competir, desde que o currículo mostre entrega real.

Devo mencionar projetos pessoais e portfólio no currículo?

Sim, se forem relevantes e estiverem completos. Prefira um projeto que mostra pipeline de ponta a ponta a cinco notebooks soltos. Coloque link do GitHub só se o código estiver organizado e documentado.

Quanto tempo leva o processo seletivo na PwC?

Varia por vaga, país e senioridade. Não existe um prazo padrão que eu possa afirmar. Pergunte na primeira conversa qual é a expectativa de tempo e siga por aí.

O currículo deve ser em português ou em inglês?

Depende da vaga. Se a descrição está em inglês, entregue em inglês. Se está em português e o time é local, português funciona. Quando houver dúvida, pergunte ao recrutador antes de enviar.

O que fazer se eu não atender a todos os requisitos da vaga?

Candidate-se se você atende a maioria dos requisitos centrais, especialmente os técnicos de produção e MLOps. Requisitos de domínio de negócio específico costumam ser aprendidos no projeto.